[发明专利]基于迭代投影重建的字典类图像超分辨率系统及方法

说明书

本发明提供一种基于迭代投影重建的字典类图像超分辨率系统及方法，所述系统包括：字典训练和投影矩阵预计算模块、基于投影矩阵的迭代投影超分辨率重建模块和基于全局约束的后处理模块。所述方法包括：步骤S1、字典的学习和投影矩阵的计算；步骤S2、基于投影矩阵的迭代投影超分辨率重建：对低分辨率图像块输入y，在字典中寻找与其最相似的原子，使用该原子的投影矩阵来对y进行超分辨率重建，对产生的残差向量进行再次投影重建获得残差向量的高分辨率重建，如此迭代重建，最后将全部重建成分加权相加作为最后重建的结果；步骤S3、对重建图像通过全局约束来消除不自然效应。本发明可有效提高字典类方法的计算速度并能够恢复图像高频细节信息。

技术领域

本发明涉及图像及视频超分辨率技术领域，具体是一种基于迭代投影重建的字典类图像超分辨率系统及方法。

技术背景

超分辨率（Super-Resolution）也被称为上采样、图像放大，指的是通过低分辨率的图像来恢复高分辨率的清晰图像。超分辨率是图像和视频处理领域的基础问题之一，在医学图像处理、图像识别、数码照片处理、高清电视等领域有着非常广泛的应用前景。

最经典的超分辨率算法之一是基于核的插值算法，例如：双线性插值、样条曲线插值等等。但是这一类算法是通过已知的离散数据来生成连续数据，会带来模糊、锯齿等效应，同时，也无法恢复在低分辨率图像中所丢失的高频细节信息。近年来，大量的基于边缘的超分辨率算法被提出，改善了传统插值的不自然效应，同时提高了边缘的视觉质量。但是，这一类聚焦于改善边缘的算法仍然不能恢复高频纹理细节。为了解决高频细节重建的问题，一些字典学习类方法也被相继提出，通过使用额外的高分辨率图像块来训练低分辨率对应的高分辨率字典，来恢复低分辨率图像中丢失的细节信息。但是该类方法中逐块使用字典进行高分辨率重建非常耗时。因此，如何在降低时间和计算消耗的同时提高超分辨率图像的质量，是我们十分关注的一个重要课题。

发明内容

本发明所要解决的技术问题是，提供一种基于迭代投影重建的字典类超分辨率系统，以有效提高字典类方法的计算速度并且能够恢复图像高频细节信息。

本发明所要解决的技术问题是，提供一种基于迭代投影重建的快速字典类超分辨率方法，以有效提高字典类方法的计算速度并且能够恢复图像高频细节信息。

为解决上述技术问题，本发明首先提供一种基于迭代投影重建的字典类图像超分辨率系统，其包括：

字典训练和投影矩阵预计算模块，用于分别从训练图像集中提取高分辨率图像块以及从该图像的降采样图像上选取对应的低分辨率图像块作为样本，然后使用K均值聚类的方法训练字典，计算字典中每个原子和全部样本的欧式距离，从中选取最近邻构成该原子的K近邻，再使用每个原子的K近邻样本集计算原子的投影矩阵，作为该原子代表的同一类图像块的投影矩阵；

基于投影矩阵的迭代投影超分辨率重建模块，用于对低分辨率图像块输入y，在字典中寻找与其最相似的原子，使用该原子的投影矩阵来对y进行超分辨率重建，对使用字典中的相似原子来计算输入的投影矩阵的过程中产生的残差向量进行再次投影重建获得残差向量的高分辨率重建，如此迭代进行重建，最后将全部重建成分加权相加，作为最后重建的结果；

基于全局约束的后处理模块：用于对重建图像通过全局约束的后处理来消除逐块重建过程中出现的不满足全局约束的不自然效应。

另一方面，本发明还提供一种基于迭代投影重建的字典类图像超分辨率方法，其包括如下步骤：